Neural-Guided RANSAC is an improved version of the RANSAC algorithm that is capable of using prior information to optimize an arbitrary task loss during training, achieving superior results compared to state-of-the-art robust estimators in computer vision tasks such as estimation of epipolar geometry, horizon line estimation and camera re-localization.

May, 2019

本文提出了一种强大的估计器，可用于拟合相同形式的多个参数模型以测量噪声。该方法基于数据学习搜索策略，利用先前检测到的模型进行神经网络传递学习，并指导 RANSAC 估计器以不同的子集找到模型实例。作者为消失点估计贡献了新数据集，该方法在消失点估计方面表现优异，并在多透视图下表现出优越性能。

Jan, 2020

本文介绍了一种名为 DSAC 的新算法，它是 RANSAC 的可微分版本，并应用于深度学习与相机定位问题中，通过采用概率选择的做法， DSAC 克服了 RANSAC 在深度学习中无法使用的问题，在相机姿态输出方面显著提高了稳健性。

Nov, 2016

通过引入注意机制和一步变压器，我们提出了一种新的 RANSAC 框架，其学习通过考虑迄今为止观察到的残差来探索参数空间，并在实验中表现出了显著的性能提升和良好的泛化性能。

Jul, 2023

提出了一种能以恒定时间（与数据大小无关）评估 RANSAC 假设的方法，通过 Random Grids 的寻找相似假设对的方式，大大提高了 RANSAC 流程的效率且不影响准确性，成功应用于相机定位、3D 刚体对齐和 2D 透视矩阵估计等问题。

Feb, 2018

提出了一种新的鲁棒估计方法 MAGSAC ++，它引入了一种不需要内点 - 外点决策的新模型质量（评分）函数，并且提出了一种新的采样器 Progressive NAPSAC 用于类似于 RANSAC 的鲁棒估计器。在六个公开数据集上的实验表明，MAGSAC ++ 优于最先进的鲁棒方法，它速度更快，几何精度更高，失败率更低。

Dec, 2019

我们提出了一种实时方法，用于从嘈杂数据中稳健地估计多个几何模型实例。

Jan, 2024

引入了基于图采样和共识（GraphSAC）方法来有效检测大规模图中的异常节点，GraphSAC 随机抽取子集节点，通过半监督学习模块估计节点的标签分布，同时滤除由异常节点污染的集合，通过对不同的异常模型进行实验，GraphSAC 相对于现有的最先进的方法具有明显的优势。

Oct, 2019

本研究介绍了一种名为 Graph-Cut RANSAC 的鲁棒性估计新方法，通过在局部优化（LO）步骤中运行图割算法，以区分内点和外点，该方法是概念简单、易于实现、全局最优和高效的。实验结果表明，Graph-Cut RANSAC 在线拟合，单应性，仿射变换，基础和本质矩阵评估等多种问题上几何精度比现有技术更高。

Jun, 2017

本文介绍了一种机器学习算法 NeFSAC，该算法可提高 RANSAC 算法的速度和准确性，特别是在姿态估计中。作者证明该算法在多个现实世界的数据集上性能优于传统的基于 RANSAC 的方法，并提供源代码。

Jul, 2022